一、Fully Digital Auto-Focusing System with Automatic Focusing Region Selection and Point Spread Function Estimation该论文具备自动对焦区域选择功能并预估了具有圆对称性的点扩散函数PSF数据集。通过分析自动选定对焦区域中的熵值与边缘信息该方法实现了真实可靠的无监督PSF估计1.1自动对焦区域选择Automatic Focusing Region Selection这是该论文的关键创新之一。系统能够自动识别图像中的最佳对焦区域基于熵Entropy和边缘信息Edge Information分析选择ROI技术原理利用局部熵检测图像中的信息丰富区域结合边缘检测识别具有清晰结构特征的区域1.2.先验PSF数据集A Priori Estimated PSF Dataset预先建立**圆对称点扩散函数Circularly Symmetric PSFs**数据集包含11种不同离焦程度的PSF模型根据相关文献引用避免实时计算PSF的高计算成本1.3.无监督PSF估计通过分析选定区域的熵和边缘信息实现realistic真实感的PSF估计unsupervised无监督的自动选择最优PSF快速匹配最适合当前离焦状态的PSF二、基于熵的聚焦区域选择方法备注本文只分析聚焦区域选择部分自动化分析聚焦主体论文其他章节部分后续分析。聚焦区域通常考虑被摄体位于输入图像中心或系统可利用多幅输入图像时才能获得聚焦区域。本文提出的基于熵的聚焦区域选择方法无论被摄体位置如何亦或背景中是否存在高频成分均能对被摄体区域进行估计。本文核心思想是计算图像熵值、边缘梯度值根据这两个方面综合考虑聚焦区域的选择。2.1 计算图像熵值计算图像的熵值公式如下E − ∑ i 0 L − 1 P i l o g P i E-\sum_{i0}^{L-1}P_{i}logP_{i}E−i0∑L−1​Pi​logPi​其中L LL表示满阱值P i P_iPi​是灰度概率P i n i M ∗ N P_{i}\frac{n_{i}}{M*N}Pi​M∗Nni​​其中M 、 N M、NM、N是分辨率n nn是灰度值将输入图像分割为多个子块并提取每个子块的局部熵值。下图展示了三种不同块尺寸下的局部熵分布情况。当子块尺寸较小时边缘区域的熵值较高导致聚焦区域受到背景高频成分的影响而当子块尺寸较大时聚焦位置的估计难度增加。笔者将算法仿真后推荐将图像划分为8x816x16等规格图像分辨率若太小4x4也可以。通过设定由熵值定义的阈值来进行图像分割。T h r α E ( X ) m a x ( 1 − α ) E ( X ) m e a n Thr \alpha E(X)_{max}(1-\alpha) E(X)_{mean}ThrαE(X)max​(1−α)E(X)mean​T h r ThrThr是熵值阈值E ( X ) E(X)E(X)局部区块的熵值E ( X ) m a x E(X)_{max}E(X)max​是最大值E ( X ) m e a n E(X)_{mean}E(X)mean​是均值α \alphaα是0~1的数据α \alphaα论文中设定为0.85熵值高于阈值的区块即为图像的聚焦待定区域2.2 计算图像梯度值论文中使用Canny边缘检测器提取边缘图生成一维阶跃响应边缘梯度值。选择图像梯度值前20%的对应区域作为聚焦待定区域图像梯度值用常用的清晰度评价函数计算就行同样需要将图像分块个数跟2.1节一致。2.3 综合考虑将熵值聚焦待定区域和梯度值聚焦待定区域合并输出交集作为聚焦区域三、论文效果论文选择聚焦区域效果如下图图6C是论文效果可以识别到前景的玩具图6A是中心聚焦图6B是对比算法图7是论文算法的各种测试图聚焦区域效果红色虚框位基准参考。四、仿真效果及代码用经典的3096飞机图做一下仿真聚焦到飞机尾巴相当于识别到飞机主体与背景天空区分开。感兴趣的可以找论文复现或者测试代码跑一跑。https://github.com/AomanHao/AomanHao_example_of_algorithms/tree/main/6-AF我的个人博客主页欢迎访问我的CSDN主页欢迎访问我的GitHub主页欢迎访问我的知乎主页欢迎访问